論文の概要: Domain Invariant Representation Learning and Sleep Dynamics Modeling for
Automatic Sleep Staging
- arxiv url: http://arxiv.org/abs/2312.03196v3
- Date: Sat, 9 Dec 2023 15:37:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 12:22:02.788498
- Title: Domain Invariant Representation Learning and Sleep Dynamics Modeling for
Automatic Sleep Staging
- Title(参考訳): 自動睡眠ステージングのためのドメイン不変表現学習と睡眠ダイナミクスモデリング
- Authors: Seungyeon Lee, Thai-Hoang Pham, Zhao Cheng, Ping Zhang
- Abstract要約: ニューラルネットワークに基づく睡眠ステージングモデルDREAMを提案し,生理的信号とモデル睡眠ダイナミクスから領域一般化表現を学習する。
DREAMは、様々な被験者の睡眠信号から睡眠関連および被写体不変表現を学習し、シーケンシャル信号セグメントと睡眠ステージ間の相互作用を捉えて睡眠ダイナミクスをモデル化する。
睡眠ステージ予測実験,ケーススタディ,ラベルなしデータの使用,不確実性など,DREAMの優位性を示すための総合的な実証的研究を行った。
- 参考スコア(独自算出の注目度): 6.86283473936335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sleep staging has become a critical task in diagnosing and treating sleep
disorders to prevent sleep related diseases. With growing large scale sleep
databases, significant progress has been made toward automatic sleep staging.
However, previous studies face critical problems in sleep studies; the
heterogeneity of subjects' physiological signals, the inability to extract
meaningful information from unlabeled data to improve predictive performances,
the difficulty in modeling correlations between sleep stages, and the lack of
an effective mechanism to quantify predictive uncertainty. In this study, we
propose a neural network based sleep staging model, DREAM, to learn domain
generalized representations from physiological signals and models sleep
dynamics. DREAM learns sleep related and subject invariant representations from
diverse subjects' sleep signals and models sleep dynamics by capturing
interactions between sequential signal segments and between sleep stages. We
conducted a comprehensive empirical study to demonstrate the superiority of
DREAM, including sleep stage prediction experiments, a case study, the usage of
unlabeled data, and uncertainty. Notably, the case study validates DREAM's
ability to learn generalized decision function for new subjects, especially in
case there are differences between testing and training subjects. Uncertainty
quantification shows that DREAM provides prediction uncertainty, making the
model reliable and helping sleep experts in real world applications.
- Abstract(参考訳): 睡眠ステージングは睡眠障害の診断と治療において重要な課題となっている。
大規模睡眠データベースの増加に伴い、自動睡眠ステージングに向けた大きな進展が見られた。
しかし、以前の研究は睡眠研究において重要な問題に直面しており、被験者の生理的信号の不均一性、ラベルのないデータから有意な情報を抽出できないこと、睡眠段階間の相関のモデル化が困難であること、予測の不確実性を定量化するための効果的なメカニズムが欠如している。
本研究では,ニューラルネットワークに基づく睡眠ステージングモデルDREAMを提案し,生理的信号から領域一般化表現を学習し,睡眠動態をモデル化する。
DREAMは、様々な被験者の睡眠信号から睡眠関連および被写体不変表現を学習し、シーケンシャル信号セグメントと睡眠ステージ間の相互作用を捉えて睡眠ダイナミクスをモデル化する。
睡眠ステージ予測実験,ケーススタディ,ラベルなしデータの使用,不確実性など,DREAMの優位性を示すための総合的な実証的研究を行った。
特に, テスト対象と訓練対象の差異がある場合において, 新たな被験者に対して, 一般決定関数を学習するドリームの能力を検証した。
不確かさの定量化は、ドリームが予測の不確実性を提供し、モデルに信頼性を与え、現実世界のアプリケーションで睡眠の専門家を助けることを示している。
関連論文リスト
- Universal Sleep Decoder: Aligning awake and sleep neural representation
across subjects [5.879504043177957]
睡眠中の脳活動から記憶内容をデコードすることは、神経科学の長年の目標である。
我々は,新しい認知神経科学実験を設計し,脳波(EEG)データセットを総合的に収集した。
被験者間での覚醒と睡眠の神経表現を協調させるユニバーサルスリープデコーダ(USD)を開発した。
論文 参考訳(メタデータ) (2023-09-28T14:06:34Z) - Sleep Stage Classification Using a Pre-trained Deep Learning Model [0.0]
EEGMobileは脳波の脳波スペクトログラムから学習する機械学習モデルである。
このモデルは"Sleep-EDF20"と呼ばれる公開データセットで86.97%の精度を達成し、他の研究者によって提案されたモデルよりも優れていた。
論文 参考訳(メタデータ) (2023-09-12T23:02:19Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳(メタデータ) (2023-06-01T10:51:58Z) - Contrastive Learning for Sleep Staging based on Inter Subject
Correlation [2.092935059855151]
本稿では,睡眠ステージング研究に用いられているMViTimeモデルについて述べる。
睡眠段階分類におけるクロスオブジェクト問題に対処するために,コントラスト学習による物体間相関理論を実装した。
論文 参考訳(メタデータ) (2023-05-05T12:16:01Z) - Sleep Model -- A Sequence Model for Predicting the Next Sleep Stage [18.059360820527687]
単チャンネル脳波(EEG)、脳電図(EOG)、筋電図(EMG)、心電図(ECG)などの単純なセンサーを用いた睡眠段階分類が注目されている。
本研究では、次の睡眠段階を予測する睡眠モデルを提案し、睡眠分類精度を向上させるために使用した。
論文 参考訳(メタデータ) (2023-02-17T07:37:54Z) - Sleep Activity Recognition and Characterization from Multi-Source
Passively Sensed Data [67.60224656603823]
睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。
本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。
これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
論文 参考訳(メタデータ) (2023-01-17T15:18:45Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳(メタデータ) (2022-11-09T14:48:13Z) - Heterogeneous Hidden Markov Models for Sleep Activity Recognition from
Multi-Source Passively Sensed Data [67.60224656603823]
精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。
睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。
スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
論文 参考訳(メタデータ) (2022-11-08T17:29:40Z) - Continual learning benefits from multiple sleep mechanisms: NREM, REM,
and Synaptic Downscaling [51.316408685035526]
先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。
本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
論文 参考訳(メタデータ) (2022-09-09T13:45:27Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳(メタデータ) (2021-01-07T13:08:44Z) - MetaSleepLearner: A Pilot Study on Fast Adaptation of Bio-signals-Based
Sleep Stage Classifier to New Individual Subject Using Meta-Learning [15.451212330924447]
モデル非依存メタラーニング(MAML)に基づく転移学習フレームワークMetaSleepLearnerを提案する。
従来のアプローチと比較すると、MetaSleepLearnerは5.4%から17.7%の改善を達成している。
これは、非伝統的な事前学習手法であるMAMLを調査した最初の研究であり、その結果、睡眠段階分類における人間と機械の協調が可能となった。
論文 参考訳(メタデータ) (2020-04-08T16:31:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。